论文部分内容阅读
结合多传感器信息的人体运动姿态识别是模式识别领域里的一个研究方向,这种研究的过程是先使用各种传感器采集人体在运动过程中产生的数据再将这些数据传送到上位机中,随后预处理采集到的数据、从预处理后的数据中提取出特征项,最后使用分类器分类和识别人体当前的运动姿态。与基于计算机视觉技术的人体运动姿态识别方法相比,基于传感器的人体运动姿态识别和监测技术具有不泄露使用者的隐私、任何地方都能使用、携带方便简洁、检测准确等诸多优点。本文使用的数据采集装置主要包括:加速度传感器、角速度传感器和单片机,分别使用时域和频域的分析方法对采集到的数据进行分析,然后使用贝叶斯分类器分类和识别人体当前的运动姿态。研究的内容包括以下几个方面。1.硬件平台的设计基于两种传感器的人体运动姿态识别采集装置,是一种可穿戴的、便携式的人体运动传感器终端。人体运动姿态识别系统的数据采集装置由微处理器、三轴加速度传感器、三轴角速度传感器、电源管理模块等组成。嵌入式软件开发釆用了Keil uVision4开发环境,在Keil uVision4编译器中采用C语言自顶向下对单片机程序进行设计。2.采集和处理人体当前的运动姿态数据单片机控制传感器采集人体当前运动姿态的数据,并将采集到的数据直接存储到微控制器IAP15F2K61S2自带的64K Flash中,然后通过UART协议将数据上传到上位机上进行数据预处理。3.基于时域和频域方法的数据分析使用时域即加速度模值算法来识别人体当前的运动姿态,可以快速识别人体当前的运动姿态,但是如果只是单纯的使用基于时域的识别方法容易导致姿态识别的错误和混淆。为了改善这种识别错误,我们结合频域分析的方法,分析该信号的频域特性,来区别一些人体基本的日常姿态(尤其是人体的跌倒姿态),提升了一些人体基本日常姿态识别的正确率。4.基于贝叶斯分类器的上下楼姿态识别应用贝叶斯分类器解决上楼和下楼动作混淆问题。首先,将加速度传感器和角速度传感器采集到的数据进行滤波和计算;然后,将预处理之后的加速度数据和角速度数据进行特征提取和集成。最后用贝叶斯分类器进行识别。利用本文使用的方法,能够有效区分出人体上楼和下楼的两种不同的姿态。